Neural network 遗传算法-适应度函数

我正试着用遗传算法和神经网络来概括我的想法，我在网上看过好几段视频。其中一些是寻路算法，比如搜索奶酪的鼠标

健身功能为每只鼠标提供一种评分，以评价它们的表现。在一个空房间里，从鼠标到奶酪的距离将是一个很好的健康评分指标，因为他们可以看到奶酪，必须学会去那里。。但是，在一个装满盒子的房间里，什么样的健身功能才是好的呢？距离会假设它们知道该往哪个方向走，因为如果我给那些缩短距离的老鼠打分，那么最终所有的老鼠都会往那个方向走。。。如果我把奶酪搬到另一个地方，他们会发疯的。。。简单地说，他们移动的距离也是不好的，因为一个在圆圈中移动的人会得到高分

---

对于这个问题，什么样的适应度函数比较好？

您确定没有将遗传算法与传统的寻路算法混合使用吗？两者都有某种适应度函数。在寻路的情况下，通常称为启发式。对于这些算法，必须假设在执行算法时使用适应度，或者更喜欢加速算法

实际遗传算法中的适应度函数相对精确，但这是因为它通常更像是一种评估。 例如，使用当前值执行模拟，并计算鼠标查找奶酪所用的时间。旅行的时间或距离与适应度成反比，因为数字越大，适应度越低。

---

如果适合度比以前的跑步更好，您可以使用通过变异、随机性等生成的稍微不同的设置来分支新的模拟，并在每次评估什么可以提高适合度，什么不能->适者生存。如果身体状况更差，放弃这根树枝，或者每遇到一根坏树枝XX次就保留一根；可能这是一个很好的方法。

到达奶酪需要多少步

注意，你们的问题基本上是用进化论来解决的。它确实使用了一个来暗示一个职位有多好

---

然而，适应度函数应该以优化最终结果为目标，但您不一定需要事先确定它的正确值或最佳值。只要找到你知道的东西，越多越好，越少越好。

谢谢！很清楚。。所以一个合适的适应度函数可以是地图的反时限+扇区？反向时间具有更高的价值，但被探索的行业将奖励那些至少在早期阶段没有崩溃的行业。。这有什么意义吗？我们的想法是老鼠疯狂地四处奔跑，探索地图，搜索奶酪。一旦老鼠看到奶酪，它就会跑向它。。例如，输入可以是8条光线，测量各个方向到墙壁的距离，1条输入告诉奶酪是否在视线范围内，1条输入表示鼠标到奶酪的距离，1条输入表示角度。通过碰撞，你的意思是你有实际的物理模拟，你想阻止鼠标接触墙壁，例如？这使得事情变得有点棘手，因为鼠标将不可避免地需要更多的时间来探索更多的领域，因此这两个适应值相互矛盾。我认为这是两个可分离的问题。分别教鼠标在避免崩溃的同时取几个预先编程的角，然后稍后使用这些固定墙避免设置来从基因上确定寻路组件的设置。好的，那你就没有物理了。你想要防止的是鼠标无用地重新探索相同的区域，对吗？那么，不要奖励探索新领域，而是惩罚在同一领域停留太久！